圖片來源@視覺中國
文｜學術頭條
當我們聞到橘子味時，你有沒有想過它的氣味很可能與其他幾種氣味結合在一起，比如汽車尾氣、垃圾、鮮花、肥皂等。這些氣味同時與大腦嗅球中的數百個感受器結合，彼此掩蓋，使橘子味與其他完全不同的氣味混合在一起，但我們仍然能辨別出橘子的氣味。
那為何我們能精確辨別其中的味道呢？這是因為當我們聞橘子時，橘子的分子會刺激我們鼻子中的嗅覺細胞，該細胞會立即向大腦的嗅覺系統發送信號，在此過程中，相互連接的一組神經元內的電脈衝會產生特定於該物體的嗅覺。
同樣，我們的視覺、聽覺、情緒等都具有獨立的神經網絡，這些網絡以特定的方式進行計算。但是一直以來哺乳動物如何學習和識別氣味的精確機制仍然困擾著科學家。
受哺乳動物嗅覺系統的啟發，美國英特爾神經形態計算實驗室的 Nabil Imam 和美國康奈爾大學心理系計算生理實驗室的 Thomas Cleland 在最新一期《自然-機器智能》發表了一篇論文，該論文報告了
一種設計用來模擬生物嗅覺的神經算法，這項成果或有助於未來在應用程序中，訓練人工鼻子在存在未知背景氣味的情景下，識別特定氣味。 論文描述了一種基於哺乳動物嗅覺系統的神經算法，可以學習並鑑別氣味樣本。之後，研究人員在一個神經形態系統中實現該神經算法，並利用甲苯、氨、丙酮、一氧化碳和甲烷等，對其進行氣味訓練，即使在強烈背景干擾物的情況下也能識別它們。
該算法不僅揭示了大腦是如何工作的，並且將其應用到計算機芯片上，可以比現有的機器學習模型更快、更可靠地學習氣味的模式。研究結果也揭示了有助於理解哺乳動物嗅覺以及改進人工化學感知系統的計算特徵。這些發現同時也意味著，改造此類生物神經系統或代表了一種可以開發出超越當前人工智能的新算法的強大方法。
“這是十多年來的研究結果，通過齧齒動物研究試圖弄清楚其工作原理，讓我們知道動物可以做但機器不能做的事情。我們現在已經足夠了解這項工作了，已經在這種電路的基礎上建立了計算模型，這主要是以我們所知道的生物系統的連接性和動力學為指導。”Thomas Cleland 說道。
芯片檢測複雜混合物中不同氣味
Cleland 和合作者 Nabil Imam 博士將該算法應用到英特爾的電腦芯片上。這種被稱為 Loihi 的研究芯片是一種神經形態芯片，它的設計靈感受大腦的功能方式所啟發，集成了模擬神經元交流和學習方式的數字電路。與現有的計算機芯片相比，這種體系結構在算法設計上需要採用完全不同的策略。
就像哺乳動物大腦中的嗅覺系統一樣，人工智能的一些神經元被設計成通過發出不同時間的脈衝來對化學傳感器的輸入做出反應。其他神經元學習識別那些構成氣味電信號的光點的模式。
這一受大腦啟發的設置比傳統的人工神經網絡更能激發神經形態的 AI 來學習新的氣味。傳統的人工神經網絡一開始是一個由相同的、空白的石板神經元組成的統一網絡。如果將神經形態的神經網絡比作一個運動隊，它的隊員能夠分配位置，並且知道比賽的規則，那麼普通的神經網絡，就像是一群亂跑的新手。
英特爾實驗室的Nabil Imam和他的神經形態芯片
就像一個運動隊可能只需要看一場比賽，就可以理解策略並在新的情況下實施，神經形態的人工智能可以嗅出一種新氣味的一個樣本，在未來即使是在其他未知的氣味中也能識別氣味。
使用神經形態計算機芯片，機器學習識別模式或執行某些任務的速度比使用計算機的中央或圖形處理單元快一千倍。英特爾表示，在 Loihi 研究芯片上運行某些算法所消耗的能量，也比傳統方法少了大約一千倍。
該芯片是 Cleland 算法的最佳平臺，它可以接受來自一組傳感器的輸入模式，快速、有序地學習多個模式，然後在強烈的感官干擾下識別每個有意義的模式。即使氣味模式與計算機最初學習的模式有 80% 的不同，該算法也能成功識別氣味。
哺乳動物的大腦非常善於識別和記憶氣味，擁有數百甚至數千個嗅覺感受器和複雜的神經網絡，可以快速分析與氣味相關的模式。
即使我們已經獲得了新的知識，我們的大腦也會保留我們所學的知識，這對哺乳動物來說很容易，但對人工智能系統來說卻很難。特別是在深度學習方法中，必須將所有內容同時呈現給網絡，而新的信息往往會扭曲或破壞系統之前學到的東西。
學習新氣味，且不會忘記其他氣味
但是，受大腦啟發的這個算法解決了這個問題。神經形態 AI 可以在原始訓練後繼續學習新的氣味，這類似於新細胞在大腦中不斷形成的方式，他們會努力學習新的氣味而不會忘記其他氣味。
為了證明這一點，Cleland 和 Imam 訓練了他們的神經形態人工智能和一個標準人工智能來專門識別甲苯（油漆和指甲油中常被聞到的刺鼻味道）；然後，研究人員試圖再教會神經網絡識別丙酮，一種指甲油去除劑的成分。
神經形態的人工智能只是簡單地將丙酮添加到它的氣味識別系統中即可完成識別人物，但是標準的人工智能無法在不忘記甲苯氣味的情況下學習丙酮。
Cleland 說，“當你學習一種氣味時，中間神經元會被訓練對特定的氣味做出反應，會在中間神經元的水平上實現隔離。所以在機器方面，我們只是增強了這種氣味，並畫了一條牢固的線。”
這也解釋了一個以前被誤解的現象：
為什麼大腦的嗅球是成年後的哺乳動物可以產生新神經元的少數幾個地方之一。Cleland 說，“這個計算模型變成了生物學假說，解釋了為什麼成人神經發生是重要的。從某種意義上說，這個模型正在反饋給生物學。而從另一個角度來說，它是一套人工嗅覺系統設備的基礎，可以用於商業用途。”
大腦的複雜性促使 Cleland 將他的神經科學研究重點放在由顯式計算模型指導的理論方法上。Cleland 說，“當你開始研究一個生物過程，它變得比你憑直覺所能知道的更復雜時，你必須用電腦模型來訓練你的大腦，你無法通過它摸索自己的方式。這讓我們想到了很多新的實驗方法和想法，這些都是我們無法想象的。”
配有神經形態芯片的機器人
Imam 說，“多年來化學感應界一直在尋找智能、可靠和快速反應的化學感覺處理系統，也被稱為電子鼻系統。”
他認為配備神經形態芯片的機器人具有用於環境檢測和有害物質檢測，或者用於工廠的質量控制工作的潛力，也可用於某些疾病發出特殊氣味的醫學診斷，擁有神經形態的機器人還可以更好地識別機場安檢線上的有害物質。
未來，該項目的下一個計劃是把這種方法推廣到更廣泛的問題上，從感官場景分析到抽象的問題，比如規劃和決策。瞭解大腦的神經迴路如何解決這些複雜的計算問題，將為設計高效、健壯的機器智能提供重要線索。
除此之外，Imam 還說道，“嗅覺傳感存在挑戰，當你走進一家雜貨店時，你可能會聞到一種草莓的味道，但它的味道可能與藍莓或香蕉的味道相似，這可能會導致大腦中產生非常相似的神經活動模式。有時候，人們甚至很難區分一種水果和不同的氣味。”
他希望在未來幾年內解決這些挑戰，使其成為一種產品，能夠解決現實世界的問題，而不僅僅是在實驗室中演示的那些實驗性問題。他認為，他的工作是 “當代神經科學和人工智能交叉領域研究的一個典型例子”。
參考：
[1] https://nature.com/articles/s42256-020-0159-4
[2]https://techxplore.com/news/2020-03-ai-breakthroughs-mammal-brains.html
[3]https://www.sciencenews.org/article/ai-mimics-how-mammals-smell-superior-recognizing-scents
[4]https://newsroom.intel.com/news/how-computer-chip-smell-without-nose/#gs.014v3k
閱讀更多 鈦媒體APP 的文章
